Desil DTSEN: Alat Ukur Kesejahteraan atau Bumerang Bansos?

Ringkasan Singkat

• Desil 1‑4 pada DTSEN menjadi patokan utama penyaluran bantuan sosial, namun akurasi data dipertanyakan.
• Para pakar, termasuk Syafruddin Karimi dan Yusuf Rendy Manilet, menyoroti risiko exclusion‑error dan keterbatasan indikator relatif.
• Solusi yang diusulkan: gabungkan desil dengan verifikasi lapangan, data dinamis (PHK, bencana), serta zona transisi untuk menghindari pemutusan bantuan yang prematur.

Pemerintah terus mengandalkan Data Tunggal Sosial dan Ekonomi Nasional (DTSEN) sebagai landasan utama dalam menentukan siapa yang berhak menerima bantuan sosial (bansos). Kelompok desil 1‑4 dijadikan prioritas, dengan data yang diperbarui setiap tiga bulan. Namun, pernyataan Saifullah Yusuf, Menteri Sosial, bahwa pergeseran desil menjadi faktor pengalihan penerima pada triwulan III 2026 menimbulkan pertanyaan kritis: apakah perubahan posisi desil benar‑benar mencerminkan perbaikan kondisi ekonomi rumah tangga?

Menurut Syafruddin Karimi, dosen Ekonomi Universitas Andalas, desil memang berguna untuk memetakan kesejahteraan relatif, namun tidak dapat dijadikan real‑time barometer kondisi keuangan keluarga. “Kesejahteraan rumah tangga dapat berubah lebih cepat dibandingkan siklus pemutakhiran data, dan desil bersifat relatif—posisi sebuah keluarga dapat bergeser ketika distribusi nasional berubah, meski pendapatan tidak berubah signifikan,” ujarnya kepada CNNIndonesia.com pada Rabu (19/8).

Karimi menyoroti dua jenis kesalahan yang masih mengintai: exclusion error (keluarga yang seharusnya menerima bantuan terlewat) dan inclusion error** (keluarga yang tidak lagi membutuhkan tetap tercatat). Ia menekankan bahwa pemutakhiran tiga bulanan masih terlalu jarang untuk menangkap fluktuasi pendapatan musiman, terutama pada petani, nelayan, pedagang, pekerja lepas, dan UMKM.

Untuk menutup celah tersebut, Karimi mengusulkan pendekatan first‑stage screening dengan desil, diikuti verifikasi lapangan, data kejadian (PHK, bencana), serta mekanisme keberatan yang cepat. Ia juga menekankan pentingnya menggabungkan indikator pendapatan dengan pengeluaran, aset, kondisi rumah, listrik, pendidikan, dan demografi untuk menilai kesejahteraan secara holistik.

Sementara itu, Yusuf Rendy Manilet dari Center of Reform on Economics (CORE) menambahkan bahwa desil DTSEN dibangun lewat Proxy Means Test (PMT) berbasis machine learning, yang secara statistik menghasilkan inclusion‑error dan exclusion‑error sekitar 20‑40 %. “Desil lebih tepat dipahami sebagai gambaran struktur kesejahteraan, bukan arus kas saat ini,” kata Manilet.

Manilet mengusulkan penambahan data responsif seperti konsumsi listrik bulanan, kepesertaan jaminan sosial, kepemilikan kendaraan, serta aktivitas usaha. Ia juga menekankan perlunya penyesuaian biaya hidup antar wilayah agar satu angka desil tidak menyesatkan kebijakan di daerah dengan tingkat harga hidup yang berbeda.

Analisis Pakar

Sebagai ekonom makro dan jurnalis keuangan, saya melihat dua dilema utama dalam penggunaan desil sebagai penentu bansos. Pertama, ketidaksesuaian temporal: siklus pembaruan data tiga bulanan tidak dapat mengikuti dinamika pendapatan yang sangat volatil di sektor informal. Keluarga yang bergantung pada panen atau penjualan harian dapat mengalami penurunan pendapatan dalam hitungan minggu, sementara data mereka tetap berada pada desil yang lebih tinggi. Hal ini berpotensi menimbulkan under‑coverage pada program bantuan yang bersifat darurat.

Kedua, bias relatif yang melekat pada konsep desil. Karena posisi keluarga dihitung relatif terhadap distribusi nasional, pergeseran makro‑ekonomi (misalnya inflasi atau pertumbuhan upah) dapat mengubah peringkat tanpa ada perubahan riil pada rumah tangga tersebut. Dalam konteks kebijakan, ini berarti alokasi anggaran dapat berfluktuasi secara artifisial, mengganggu perencanaan fiskal jangka panjang.

Solusi yang paling pragmatis adalah mengadopsi model hybrid—desil sebagai filter awal, kemudian menambahkan indikator dinamis yang dapat diakses secara real‑time melalui data administratif (misalnya data BPJS Kesehatan, token listrik, atau laporan PHK). Integrasi API lintas lembaga akan memungkinkan pembaruan otomatis setiap bulan, mengurangi beban verifikasi lapangan sekaligus meningkatkan akurasi.

Selain itu, pemerintah harus menetapkan zona transisi di sekitar batas desil (misalnya 3‑4 % populasi di pinggiran desil 4‑5) yang tetap menerima bantuan selama periode penyesuaian. Mekanisme banding yang terstandardisasi, dengan SLA (Service Level Agreement) penyelesaian maksimal 14 hari, akan meningkatkan kepercayaan publik dan mengurangi potensi konflik sosial.

Terakhir, transparansi metodologi PMT harus menjadi keharusan. Publikasi detail variabel, bobot, serta tingkat kesalahan model akan memungkinkan pemangku kepentingan—dari LSM hingga investor—menilai risiko sosial yang melekat pada program pemerintah. Tanpa transparansi, satu angka desil menjadi “black box” yang dapat menimbulkan ketidakadilan dan menurunkan legitimasi kebijakan sosial.

Pertanyaan yang Sering Diajukan (FAQ)

• Q: Apa itu desil dalam konteks DTSEN?
  A: Desil adalah pembagian populasi rumah tangga menjadi sepuluh kelompok berdasarkan skor kesejahteraan relatif yang dihitung dari indikator ekonomi dan sosial.
• Q: Mengapa desil tidak cukup untuk menentukan penerima bansos?
  A: Karena desil bersifat relatif dan diperbarui tiga bulanan, ia tidak menangkap perubahan pendapatan cepat, sehingga dapat menyebabkan exclusion‑error atau inclusion‑error.
• Q: Bagaimana pemerintah dapat meningkatkan akurasi penyaluran bantuan?
  A: Dengan menggabungkan desil dengan data dinamis (PHK, bencana, konsumsi listrik), zona transisi, verifikasi lapangan, serta mekanisme banding yang cepat dan transparan.